煤矿井下瓦斯浓度是监测监控的重中之重,但是针对瓦斯监测数据异常的问题,目前主要依靠人工判断与决策,对数据特征的分析与利用不足,且存在滞后性,海量的瓦斯监测数据尚有极大的研究空间。本文就平顶山某矿丁6-31030工作面为例,对其瓦斯监测数据进行分析和挖掘,通过分析监测数据的稳定性,并对其进行预处理,发现其数据特征,研究瓦斯异常类型的识别方法,同时设计了基于时空相关性的辅助决策系统。通过三次平滑法、移动平均线法和AR模型法等对非正常监测数据进行与处理后,分析瓦斯监测数据的稳定性,确定了最佳稳定周期30d、最短稳定周期16d。通过分析瓦斯监测数据的特征确定了7种表现模式及其成立条件。在确定了7种易发生在回采工作面的瓦斯类型后,根据进一步的研究,发现每种异常对应的表现模式,并确定了每种异常的诊断准则。采用神经网络的方法对瓦斯监测数据进行异常识别,通过其较高的准确率验证了诊断准则的准确性。进而编程实现了瓦斯异常类型的实时诊断,准确率较高。通过寻找最大相关性的方法,确定了不同位置瓦斯监测数据的滞后时间,并将其运用到辅助决策,一方面提高了诊断准则的准确率;另一方面,对无法识别的瓦斯异常提供了辅助决策,最终构成了瓦斯异常类型的在线识别和辅助决策。研究结果对于地面人员判断回采工作面安全形势以及井下作业活动有一定的实际意义和科学价值。